王晓丽，孙晓莉

（甘肃机电职业技术学院，甘肃天水741001）

电力系统各元件在实际运行过程中由于外力、过负荷、内部绝缘老化、误操作、设计缺陷和自然环境等原因导致异常运行，最终发生如短路和断路等故障[1－3]。故障状态不仅破坏自身系统中其他正常运行的元件，还有可能造成其他级联系统中生产设备和人身安全的损害。因此，设置继电保护装置将有利于及时准确的恢复故障[4－6]。

传统继电保护系统使用单一系统阈值判定方法进行异常检测。该方法有三个方面的局限性：一是依赖单一系统的数据精度；二是难以检测出设备的潜伏性故障及故障类别；三是特定工况下准确率无法得到保障[7－9]。

近年来，随着继电保护系统计算机化、数据化和网络化，大量状态数据呈现体量大和类型繁多等特点，依赖大数据集的机器学习算法为继电保护故障诊断和分类带来了机遇[10－12]。

机器学习（ML）的本质在于寻找输入与输出之间的最佳映射，其在继电保护故障诊断和分类中的内涵为继电保护网络中各节点的状态数据与电力系统运行状态的最佳配对。ML算法主要分为有监督学习和无监督学习两种模式。无监督模式直接使用网络节点中的状态数据进行学习，有监督模式需要构建带有系统状态标识的数据集[13]。

综上，本文提出一种基于带分类评价的有监督机器学习的继电保护故障诊断方法。通过模拟网络节点状态数据，计算出系统的运行状态，并给出该状态的致信度。……